用于时间序列预测的 LSTM 自动编码器

Question

我正在尝试构建一个 LSTM 自动编码器来预测时间序列数据。由于我是 Python 新手，我在解码部分有错误。我试着像here 和Keras 那样构建它。我根本无法理解给定示例之间的区别。我现在的代码如下所示：

问题1：每个样本有2000个值时，batch_size和input_dimension如何选择？

问题 2：如何让这个 LSTM 自动编码器工作（模型和预测）？这只是模型，但如何预测？它是从假设从样本 10 开始到数据结束的预测？

Mydata 总共有 1500 个样本，我会选择 10 个时间步长（或者更多，如果更好），每个样本有 2000 个值。如果您需要更多信息，我稍后也会将它们包括在内。

trainX = np.reshape(data, (1500, 10,2000))

from keras.layers import *
from keras.models import Model
from keras.layers import Input, LSTM, RepeatVector

参数

timesteps=10
input_dim=2000
units=100 #choosen unit number randomly
batch_size=2000 
epochs=20

型号

inpE = Input((timesteps,input_dim)) 
outE = LSTM(units = units, return_sequences=False)(inpE)
encoder = Model(inpE,outE) 
inpD = RepeatVector(timesteps)(outE)
outD1 = LSTM(input_dim, return_sequences=True)(outD
decoder = Model(inpD,outD) 
autoencoder = Model(inpE, outD)
autoencoder.compile(loss='mean_squared_error',
          optimizer='rmsprop',
          metrics=['accuracy'])
autoencoder.fit(trainX, trainX,
      batch_size=batch_size,
      epochs=epochs)
encoderPredictions = encoder.predict(trainX)

Answer 1

我使用的 LSTM 模型是这个：

def get_model(n_dimensions):
    inputs = Input(shape=(timesteps, input_dim))
    encoded = LSTM(n_dimensions, return_sequences=False, name="encoder")(inputs)
    decoded = RepeatVector(timesteps)(encoded)
    decoded = LSTM(input_dim, return_sequences=True, name='decoder')(decoded)

    autoencoder = Model(inputs, decoded)
    encoder = Model(inputs, encoded)
    return autoencoder, encoder

autoencoder, encoder = get_model(n_dimensions)
autoencoder.compile(optimizer='rmsprop', loss='mse', 
                    metrics=['acc', 'cosine_proximity'])

history = autoencoder.fit(x, x, batch_size=100, epochs=100)
encoded = encoder.predict(x)

它适用于具有 x 大小为 (3000, 180, 40) 的数据，即 3000 个样本，timesteps=180 和 input_dim=40。